1.一种基于深度学习的轻量化端到端csi获取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法,其特征在于,所述步骤s11中,hopfnet的输入数据集为{g,g},其中为信道矩阵,表示对信道矩阵η取实部,表示对信道矩阵η取虚部,k为子载波数目,nt为基站天线数。
3.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法,其特征在于,所述步骤s12中,基于正交随机特征的高速注意力机制hopfa由特征映射层、随机投影层、自注意力机制层组成,其中,特征映射层层数设置为1,特征维度设置为512;随机投影层层数设置为1,特征维度设置为1024;自注意机制层层数设置为1,注意力头数设置为8。
4.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法,其特征在于,所述步骤s12中,对hopfnet进行训练,损失函数设置为均方误差优化器设置为adam,batchsize设置为200,学习率为0.0001,epoch设置为600,其中为hopfnet训练过程中的数据集的标签,为hopfnet训练过程中模型的输出数据,为信道矩阵,表示对信道矩阵η取实部,表示对信道矩阵η取虚部,k为子载波数目,nt为基站天线数,n为训练样本个数。
5.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法,其特征在于,所述步骤s12中,保存模型最佳权重,开始训练时,将loss_best设置为200,每一轮训练完成后,将验证集输入训练完成的hopfnet,得到当前轮验证集的loss,若loss小于loss_best,则将loss赋值给loss_best,且保存本轮训练的模型权重作为最佳权重,继续下一轮训练;若loss大于loss_best,则直接进行下一轮训练。
6.根据权利要求1所述的一种基于深度学习的轻量化端到端csi获取方法,其特征在于,所述步骤s13中,基站端将训练完成的导频设计网络的权重作为导频信号,将导频信号发送至用户端,经过hopfnet的处理后得到网络的输出将v在第一个维度拆分成两个矩阵其中k为子载波数目,nt为基站天线数,计算即可得到下行实时估计信道